19. 機器學(xué)習(xí)入門: 使用Scikit-learn進行簡單分類任務(wù)實踐
一、機器學(xué)習(xí)基礎(chǔ)與環(huán)境準(zhǔn)備
1.1 機器學(xué)習(xí)核心概念解析
機器學(xué)習(xí)（Machine Learning）作為人工智能的核心分支，通過算法使計算機系統(tǒng)從數(shù)據(jù)中自動學(xué)習(xí)模式并做出決策。在監(jiān)督學(xué)習(xí)（Supervised Learning）場景中，分類任務(wù)（Classification）是最常見的應(yīng)用場景之一，目標(biāo)是根據(jù)已知標(biāo)簽的訓(xùn)練數(shù)據(jù)構(gòu)建預(yù)測模型。
Scikit-learn作為Python最流行的機器學(xué)習(xí)庫，提供了統(tǒng)一的API接口和豐富的算法實現(xiàn)。其最新版本（1.3.0）包含超過40個分類算法，支持從數(shù)據(jù)預(yù)處理到模型部署的全流程開發(fā)。安裝命令如下：
# 安裝最新版本Scikit-learn
pip install scikit-learn==1.3.0
# 驗證安裝
import sklearn
print(sklearn.__version__)
1.2 開發(fā)環(huán)境配置建議
推薦使用Jupyter Notebook進行實驗，配合以下核心庫構(gòu)建開發(fā)環(huán)境：
- NumPy 1.24.3：高效數(shù)值計算
- Pandas 2.0.3：數(shù)據(jù)清洗與處理
- Matplotlib 3.7.1：數(shù)據(jù)可視化
二、分類任務(wù)數(shù)據(jù)準(zhǔn)備
2.1 經(jīng)典數(shù)據(jù)集加載與探索
我們以鳶尾花（Iris）數(shù)據(jù)集作為示例，該數(shù)據(jù)集包含3個品種共150個樣本，每個樣本有4個特征：
from sklearn.datasets import load_iris
iris = load_iris()
X = iris.data # 特征矩陣（150x4）
y = iris.target # 目標(biāo)標(biāo)簽
使用Pandas進行數(shù)據(jù)探索：
import pandas as pd
df = pd.DataFrame(X, columns=iris.feature_names)
df['species'] = y
print(df.describe()) # 顯示統(tǒng)計摘要
2.2 數(shù)據(jù)預(yù)處理關(guān)鍵技術(shù)
完整的數(shù)據(jù)預(yù)處理流程包括：
- 標(biāo)準(zhǔn)化（Standardization）：消除特征量綱差異
- 訓(xùn)練測試集分割（Train-Test Split）：保持?jǐn)?shù)據(jù)分布一致性
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
# 數(shù)據(jù)標(biāo)準(zhǔn)化
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
# 數(shù)據(jù)集分割
X_train, X_test, y_train, y_test = train_test_split(
X_scaled, y, test_size=0.2, random_state=42)
三、分類模型構(gòu)建與評估
3.1 邏輯回歸模型實踐
邏輯回歸（Logistic Regression）是基礎(chǔ)的分類算法，在Scikit-learn中實現(xiàn)如下：
from sklearn.linear_model import LogisticRegression
# 創(chuàng)建模型實例
clf = LogisticRegression(
penalty='l2', # 正則化類型
C=1.0, # 正則化強度
max_iter=200 # 最大迭代次數(shù)
)
# 模型訓(xùn)練
clf.fit(X_train, y_train)
# 預(yù)測測試集
y_pred = clf.predict(X_test)
3.2 模型性能評估指標(biāo)
使用多種指標(biāo)評估分類性能：
| 指標(biāo) | 公式 | 說明 |
|---|---|---|
| 準(zhǔn)確率 | (TP+TN)/(P+N) | 整體預(yù)測正確率 |
| F1 Score | 2*(Precision*Recall)/(Precision+Recall) | 類別平衡指標(biāo) |
from sklearn.metrics import classification_report
print(classification_report(y_test, y_pred))
四、模型優(yōu)化與進階實踐
4.1 超參數(shù)調(diào)優(yōu)技術(shù)
使用網(wǎng)格搜索（Grid Search）優(yōu)化SVM參數(shù)：
from sklearn.svm import SVC
from sklearn.model_selection import GridSearchCV
param_grid = {
'C': [0.1, 1, 10],
'gamma': [1, 0.1, 0.01],
'kernel': ['rbf', 'linear']
}
grid = GridSearchCV(SVC(), param_grid, cv=5)
grid.fit(X_train, y_train)
print(f"最佳參數(shù): {grid.best_params_}")
4.2 特征工程實踐
通過主成分分析（PCA）實現(xiàn)降維：
from sklearn.decomposition import PCA
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X_scaled)
# 可視化降維結(jié)果
plt.scatter(X_pca[:,0], X_pca[:,1], c=y)
五、完整項目案例：乳腺癌分類
使用威斯康星乳腺癌數(shù)據(jù)集演示完整流程：
from sklearn.datasets import load_breast_cancer
cancer = load_breast_cancer()
# 構(gòu)建完整處理管道
from sklearn.pipeline import make_pipeline
from sklearn.ensemble import RandomForestClassifier
pipeline = make_pipeline(
StandardScaler(),
PCA(n_components=10),
RandomForestClassifier(n_estimators=100)
)
# 交叉驗證評估
from sklearn.model_selection import cross_val_score
scores = cross_val_score(pipeline, cancer.data, cancer.target, cv=10)
print(f"平均準(zhǔn)確率: {scores.mean():.2f} ± {scores.std():.2f}")
通過本文的實踐，我們可以看到在Scikit-learn中構(gòu)建分類模型的典型流程僅需20-30行代碼即可完成。根據(jù)官方基準(zhǔn)測試，在標(biāo)準(zhǔn)硬件環(huán)境下，邏輯回歸模型在鳶尾花數(shù)據(jù)集上的訓(xùn)練時間小于10ms，預(yù)測單樣本耗時約0.02ms，展現(xiàn)了優(yōu)秀的工程實現(xiàn)效率。
機器學(xué)習(xí), Scikit-learn, 分類算法, 數(shù)據(jù)預(yù)處理, 模型評估
